Tarea 5

Trabajaremos con los conjuntos de datos Renewable Energy Consumption and Production de Our World in Data https://ourworldindata.org/renewable-energy). Estos conjuntos de datos están disponibles en el repositorio GitHub del curso, pueden ser importados con las URL: share-of-electricity-production-from-renewable-sources.csv, renewable-energy-consumption-by-country.csv

Su tarea consiste en crear mapas coropléticos de la producción y el consumo totales de energía renovable y el consumo en diferentes países del mundo animados en base a los años de producción/consumo entre (excluyendo) 2007 y 2017.

Punto 1

Cargar el conjunto de datos de producción de energía renovable.

Ren_Con_Prod_url = 'https://raw.githubusercontent.com/lihkir/Uninorte/main/AppliedStatisticMS/DataVisualizationRPython/Lectures/Python/PythonDataSets/share-of-electricity-production-from-renewable-sources.csv'
import pandas as pd
Ren_Con_Prod_df = pd.read_csv(Ren_Con_Prod_url)
Ren_Con_Prod_df.head()

	Country	Code	Year	Renewable electricity (% electricity production)
0	Afghanistan	AFG	1990	67.730496
1	Afghanistan	AFG	1991	67.980296
2	Afghanistan	AFG	1992	67.994310
3	Afghanistan	AFG	1993	68.345324
4	Afghanistan	AFG	1994	68.704512

El data set Renewable Energy Production presenta las siguientes columnas:

• Country: País de origen productor de energía renovable.

• Code: Código del país productor de energía renovable.

• Year: año de producción de energía renovable.

• Renewable electricity (% electricity production): porcentaje de producción de energía renovable.

Punto 2

Ordenar el DataFrame de producción en función de la característica Year.

Ren_Con_Prod_df.sort_values(by=["Year"],inplace=True)
Ren_Con_Prod_df.tail()

	Country	Code	Year	Renewable electricity (% electricity production)
2707	Lebanon	LBN	2014	1.075089
919	Central African Republic	CAF	2014	85.792350
2682	Latvia	LVA	2014	54.541918
4743	Switzerland	CHE	2014	58.015463
5406	Zimbabwe	ZWE	2014	55.622069

Punto 3

Generar un mapa de coropletas para la producción de energía renovable utilizando el módulo plotly express animado en función del Year.

import plotly.express as px
from IPython.display import IFrame, display, HTML
import chart_studio.plotly as py
from IPython.display import HTML

config={'showLink': False, 'displayModeBar': False}

fig = px.choropleth(Ren_Con_Prod_df, locations="Code", #códigos de país para ubicar los datos en el mapa
                    color = "Renewable electricity (% electricity production)", #columna para determinar el color de cada país
                    hover_name = "Country", #determina qué información se mostrará cuando se pase el cursor sobre un país
                    animation_frame='Year', # visualización animada basados en los valores de la columna 'Year'
                    color_continuous_scale = px.colors.sequential.Plasma) # define la escala de colores que se utilizará para representar los diferentes valores

#fig.show()
HTML(fig.to_html())

En este gráfico interactivo vemos la producción de energía que proviene por país por año de tecnologías renovables.

Punto 4

Actualice el diseño para incluir un estilo de proyección adecuado y un texto de título, y luego muestre la figura

fig = px.choropleth(Ren_Con_Prod_df, locations="Code", #códigos de país para ubicar los datos en el mapa
                    color = "Renewable electricity (% electricity production)", #columna para determinar el color de cada país
                    hover_name = "Country", #determina qué información se mostrará cuando se pase el cursor sobre un país
                    animation_frame='Year', # visualización animada basados en los valores de la columna 'Year'
                    color_continuous_scale = px.colors.sequential.Plasma) # define la escala de colores que se utilizará para representar los diferentes valores
fig.update_layout(title_text = 'Renewable electricity (% electricity production)', # titulo del gráfico
                  geo = dict(projection={'type':'natural earth'}) # configuración geográfica del mapa
                )
#fig.show()
HTML(fig.to_html())

En este gráfico interactivo podemos rotar como un globo terráqueo real.

Punto 5

Cargue el conjunto de datos de consumo de energía renovable.

Ren_Con_Cons_url = 'https://raw.githubusercontent.com/lihkir/Uninorte/main/AppliedStatisticMS/DataVisualizationRPython/Lectures/Python/PythonDataSets/renewable-energy-consumption-by-country.csv'
import pandas as pd
Ren_Con_Cons_df = pd.read_csv(Ren_Con_Cons_url)
Ren_Con_Cons_df.head()

	Country	Code	Year	Traditional biofuels	Other renewables (modern biofuels, geothermal, wave & tidal)	Wind	Solar PV	Hydropower	Total
0	Algeria	DZA	1965	NaN	0.0	0.0	0.0	NaN	0.0
1	Algeria	DZA	1966	NaN	0.0	0.0	0.0	NaN	0.0
2	Algeria	DZA	1967	NaN	0.0	0.0	0.0	NaN	0.0
3	Algeria	DZA	1968	NaN	0.0	0.0	0.0	NaN	0.0
4	Algeria	DZA	1969	NaN	0.0	0.0	0.0	NaN	0.0

El data set Renewable Energy Consumption presenta las siguientes columnas:

• Country: País de origen productor de energía renovable.

• Code: Código del país productor de energía renovable.

• Year: año de producción de energía renovable.

• Traditional biofuels: conbustibles tradicionales.

• Other renewables (modern biofuels, geothermal, wave & tidal): Otras energías renovables (biocombustibles modernos, geotérmica, undimotriz y mareomotriz).

• Wind: viento.

• Solar PV: Energía solar fotovoltaica.

• Hydropower: energía hidroeléctrica.

• Total: Consumo total de energía renovable.

Información del dataset.

Ren_Con_Cons_df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3344 entries, 0 to 3343
Data columns (total 9 columns):
 #   Column                                                        Non-Null Count  Dtype  
---  ------                                                        --------------  -----  
 0   Country                                                       3344 non-null   object 
 1   Code                                                          3344 non-null   object 
 2   Year                                                          3344 non-null   int64  
 3   Traditional biofuels                                          0 non-null      float64
 4   Other renewables (modern biofuels, geothermal, wave & tidal)  3344 non-null   float64
 5   Wind                                                          3344 non-null   float64
 6   Solar PV                                                      3344 non-null   float64
 7   Hydropower                                                    0 non-null      float64
 8   Total                                                         3344 non-null   float64
dtypes: float64(6), int64(1), object(2)
memory usage: 235.2+ KB

El dataset de consumo de energía renovable está compuesto por 9 columnas y 3344 filas, en la cual ‘Country’ y ‘Code’ son categóricas, ‘Year’ tipo entero y ‘Traditiona biofuel’, ‘Other renewables (modern biofuels, geothermal, wave & tidal)’, ‘Wind’, ‘Solar PV’, ‘Hydropower’ y ‘Total’ son de tipo decinal.

Descripción del dataset.

Ren_Con_Cons_df.describe()

	Year	Traditional biofuels	Other renewables (modern biofuels, geothermal, wave & tidal)	Wind	Solar PV	Hydropower	Total
count	3344.000000	0.0	3344.000000	3344.000000	3344.000000	0.0	3344.000000
mean	1991.169856	NaN	2.276702	1.691107	0.351261	NaN	4.319069
std	14.905982	NaN	7.898646	11.395594	2.885864	NaN	19.741046
min	1965.000000	NaN	0.000000	0.000000	0.000000	NaN	0.000000
25%	1978.000000	NaN	0.000000	0.000000	0.000000	NaN	0.000000
50%	1992.000000	NaN	0.024500	0.000000	0.000000	NaN	0.057000
75%	2004.000000	NaN	1.188779	0.012000	0.000832	NaN	1.558361
max	2016.000000	NaN	84.606506	241.000000	66.200000	NaN	380.607427

En la descripción del dataset de consumo de energía renovable encontramos un resumen estadístico de las columnas de tipo número.

Verificar datos nulos.

Ren_Con_Cons_df.isnull().sum()

Country                                                            0
Code                                                               0
Year                                                               0
Traditional biofuels                                            3344
Other renewables (modern biofuels, geothermal, wave & tidal)       0
Wind                                                               0
Solar PV                                                           0
Hydropower                                                      3344
Total                                                              0
dtype: int64

Se logra identificar un total de 6688 datos entre las columnas ‘Traditional biofuels’ y ‘Hydropower ‘.

Limpieza de datos.

Teniendo en cuenta que los todos los datos de las columnas ‘Traditional biofuels’ y ‘Hydropower ‘ son nulos se decide a elimar las columnas del estudio.

Ren_Con_Cons_df = Ren_Con_Cons_df.drop(['Traditional biofuels','Hydropower'], axis=1)
Ren_Con_Cons_df.head()

	Country	Code	Year	Other renewables (modern biofuels, geothermal, wave & tidal)	Wind	Solar PV	Total
0	Algeria	DZA	1965	0.0	0.0	0.0	0.0
1	Algeria	DZA	1966	0.0	0.0	0.0	0.0
2	Algeria	DZA	1967	0.0	0.0	0.0	0.0
3	Algeria	DZA	1968	0.0	0.0	0.0	0.0
4	Algeria	DZA	1969	0.0	0.0	0.0	0.0

Muestra de dataset de consumo de energia renovable sin las columnas ‘Traditional biofuels’ y’Hydropower’.

Ren_Con_Cons_df.isnull().sum()

Country                                                         0
Code                                                            0
Year                                                            0
Other renewables (modern biofuels, geothermal, wave & tidal)    0
Wind                                                            0
Solar PV                                                        0
Total                                                           0
dtype: int64

Se verifica que el nuevo dataset no tiene datos faltantes.

Punto 6

Convierta el DataFrame de consumo a un formato adecuado para su visualización.

Punto 7

Ordenar el DataFrame de consumo en base a la característica Year.

Ren_Con_Cons_df.sort_values(by=["Year"],inplace=True)
Ren_Con_Cons_df.tail()

	Country	Code	Year	Other renewables (modern biofuels, geothermal, wave & tidal)	Wind	Solar PV	Total
947	Finland	FIN	2016	11.794548	3.068000	0.013462	14.876009
155	Australia	AUS	2016	3.352482	13.190887	7.157880	23.701249
2863	Thailand	THA	2016	9.649613	0.465826	2.334719	12.450158
2603	South Korea	KOR	2016	12.018676	1.779674	5.236650	19.035000
3343	Vietnam	VNM	2016	0.059162	0.241540	0.007170	0.307871

Punto 8

Generar un mapa coroplético para el consumo de energía renovable utilizando el módulo plotly express animado en función del año.

config={'showLink': False, 'displayModeBar': False}

fig = px.choropleth(Ren_Con_Cons_df, locations="Code", #códigos de país para ubicar los datos en el mapa
                    color = "Total", #columna para determinar el color de cada país
                    hover_name = "Country", #determina qué información se mostrará cuando se pase el cursor sobre un país
                    animation_frame='Year', # visualización animada basados en los valores de la columna 'Year'
                    color_continuous_scale = px.colors.sequential.Plasma) # define la escala de colores que se utilizará para representar los diferentes valores

fig.update_layout(geo=dict(showcountries=True), width=800, height=400) 
HTML(fig.to_html())
#fig.show()

En este gráfico interactivo vemos el consumo total de energía renovable en cada país por año.

Punto 9

Actualice el diseño para incluir un estilo de proyección adecuado y un texto de título, y luego muestre la figura.

fig = px.scatter_geo(Ren_Con_Cons_df,
                     locations="Code", # Códigos de país para ubicar las burbujas
                     size="Total", # Columna para determinar el tamaño de las burbujas
                     hover_name="Country", # Información mostrada al pasar el cursor sobre una burbuja
                     animation_frame="Year", # Animación basada en la columna 'Year'
                     color="Total", # Columna para determinar el color de las burbujas
                     projection="natural earth", # Tipo de proyección del mapa
                     title='Renewable Electricity (% of Electricity Consumption)', # Título del gráfico
                     color_continuous_scale=px.colors.sequential.Viridis, # Escala de colores 'Viridis'
                     size_max=50 # Aumentar el tamaño máximo de las burbujas
                    )
fig.update_layout(geo=dict(showcountries=True), width=800, height=400) # Tamaño del gráfico

#fig.show()
HTML(fig.to_html())

En este gráfico interactivo podemos rotar como un globo terráqueo real.